基于EEMD-RVM的短期風功率區間預測

范磊，王越，梁智，戴麗媛

(1.河海大學 能源與電氣學院，江蘇 南京 210098；2.國家電網常州供電公司，江蘇 常州 213000)

?

基于EEMD-RVM的短期風功率區間預測

范磊1，王越2，梁智1，戴麗媛1

(1.河海大學 能源與電氣學院，江蘇 南京 210098；2.國家電網常州供電公司，江蘇 常州 213000)

摘要：針對現有風功率預測方法多為確定性的點預測，無法描述風功率的隨機性的問題，建立了基于集合經驗模態分解和相關向量機的短期風功率區間預測模型。首先對原始風功率序列進行集合經驗模態分解，獲得一個剩余分量及多個具有不同特性的固有模態分量；然后對各分量采用相關向量機算法分別建立區間預測模型；最后將各分量的預測結果進行疊加得到一定置信水平下的區間預測結果。仿真結果表明，所提的區間預測方法具有較高的預測精度和較窄區間寬度，區間覆蓋率較高。

關鍵詞：短期風功率預測；區間預測；相關向量機；集合經驗模態分解；混合核函數

在化石能源緊缺和環境問題嚴峻的今天，開發利用清潔無污染的可再生能源已成共識。其中風力發電因其清潔無污染、儲量豐富、可循環利用受到越來越多的重視與關注。由于自然風存在一定的隨機性和波動性，導致風機發生較大的功率波動，給電網的供需平衡與安全穩定運行造成巨大影響。因此準確的風功率預測是合理制定發電計劃與安排系統備用的前提，是提高風電在電網比重的關鍵[1]。

研究國內外相關文獻可以發現，與傳統確定性點預測方法相比，目前區間預測仍處于起步階段。文獻[2-3]采用Bootstrap重抽樣法構造樣本，需要大量處理數據，耗時較長；文獻[4-5]通過分位點法描述預測對象的概率信息，需要預先確定回歸模型和分位點，模型計算量大；文獻[6]提出了以極限學習機的點預測方法為基礎，構造比例系數，從而獲得短期負荷的區間，但是其最優系數的獲取方法有待驗證；文獻[7-9]采用基于貝葉斯理論的概率預測法，其結果具有概率意義，可得出預測量的期望值及其分布特性，因而可得出任意置信水平下的區間預測結果。

針對上述研究現狀，本文重點研究了基于概率的區間預測[10-12]方法，并在此基礎上提出一種基于集合經驗模態分解和相關向量機的短期風功率區間預測模型。一方面引入集合經驗模態分解降低數據的復雜度；另一方面采用局部核-高斯核和全局核-多項式核的組合構成相關向量機的核函數，進一步改善區間預測的效果。運用本文模型對風電場的實測風功率序列進行提前15 min的短期風功率區間預測，并采用多種評價指標對本文模型的預測效果進行評估，結果表明本文模型具有較高的預測精度與較窄的區間寬度，區間預測效果較為理想。

1集合經驗模態分解

考慮實際風功率的隨機性與波動性，直接對原始風功率序列進行預測的誤差較大。本文采用集合經驗模態分解方法對原始數據進行分解，以降低數據復雜度。與小波變換、經驗模態分解以及其他信息處理方法相比，集合經驗模態分解方法克服了小波變換需人為設定、主觀性強的不足，避免了經驗模態分解易出現模態混疊的問題，具有更高的分辨率與很強的非線性處理能力，更適于處理隨機性強的風功率數據[13]。

1.1經驗模態分解算法原理

經驗模態分解(empirical mode decomposition, EMD)[14]是一種高效的信號分解方法，其將任意信號中不同尺度的波形或趨勢逐級分解出來，產生一個剩余分量(residual, RES)以及一系列的特征模態函數分量(intrinsic mode function，IMF)[15]。所有IMF必須滿足下列條件：在整個數據序列中，極值點的數量與過零點的數量相等，或相差不能多于一個；在任一點上，信號的局部最大值和局部最小值定義的包絡均值為零。

EMD分解流程如下：

a) 初始化循環變量i=1，x1(t)=x(t)，其中x(t)為待分解的原始數據序列。

b) 初始化循環變量j=1，y1(t)=x1(t)。

c) 找出序列yj(t)中所有局部極大值并擬合成包絡線uj(t)；同理，找出yj(t)中所有局部極小值并擬合成包絡線vj(t)；這2條上下包絡線應包絡所有的數據點，其上下包絡線的平均值

(1)

并計算原始信號與包絡均值的差值

(2)

d) 判斷hj(t)是否滿足IMF的2個條件，若不滿足，則j=j+1，yj(t)=hj-1(t)，重復步驟c)；若滿足，則可得第i個IMF，即

(3)

則剩余分量

(4)

e) 判斷ri(t)是否滿足終止條件，若不滿足，則xi+1(t)=ri(t)，i=i+1，重復b)至d)，否則分解結束。由此共可分解出n個IMF分量ci(t)和一個剩余分量rn(t)，EMD對x(t)的分解過程結束。

由此原始序列

(5)

1.2集合經驗模態分解算法原理

集合經驗模態分解(ensemble empirical mode decomposition, EEMD)是Wu和Huang等人為改善EMD方法中模態混疊的缺點，在2005年提出的新型噪聲輔助數據分析方法[16]。該方法在EMD的基礎上加入了高斯白噪聲，并進行多次EMD分解，最后將多次分解的IMF總體平均定義為最終的IMF。由于高斯白噪聲具有頻率均勻分布的統計特性，所以它可以使信號在不同的尺度上具有連續性，有效避免了EMD分解過程中由于IMF的不連續性而造成的混疊現象，明顯改善EMD方法。

EEMD方法中用到的2個重要參數分別是白噪聲的幅值k和重復進行EMD分解的總次數M。目前，關于M和k值的確定多基于嘗試經驗和數據的結構特點，一般M取100，k取0.05～0.5倍為宜。

EEMD方法的具體步驟為：

a) 設定k和M；

b) 原始數據序列中加入高斯白噪聲；

c) 按照EMD方法將加入白噪聲的數據序列進行分解，得到一系列的IMF分量及RES分量；

d) 重復加入相同幅值的不同白噪聲序列，重復b)和c)，對M次EMD分解得到的各個IMF分量及RES分量計算均值，即

(6)

與其他預測算法相比，相關向量機不僅具有相關模型高度稀疏、待優化核參數少、核函數選擇靈活、模型泛化能力強的優點，而且能直接實現區間的預測。因此本文采用相關向量機對由EEMD分解得到的分量分別建立模型進行區間預測。

2相關向量機模型

由相關向量機(relevance vector machine，RVM)的原理[18]可知，在進行點預測時，僅使用了預測均值這一個量來表示其確定性的預測結果。而使用RVM實現區間預測時，需同時考慮模型的預測均值和方差。

(7)

式中：w=(w0,w1,…,wN)T為權值向量；樣本噪聲εi服從N(0，σ2)的高斯分布，則RVM模型可表示為

(8)

式中：K(x,xi)為核函數；x為相關向量；ε為服從N(0，σ2)的獨立樣本誤差。

對于相互獨立的輸出集t，整個訓練樣本的似然函數

(9)

式中：Φ=(φ(x1),φ(x2),…,φ(xN))T，φ(xi)=(1，K(x1,xi),K(x2,xi),…,K(xN,xi))T。

(10)

式中：超參數α=(α0,α1,…,αN)T，每個獨立的αj都只與其對應的權值wj相關。根據貝葉斯公式，利用樣本似然函數式(9)和w先驗分布式(10)可以得到w的后驗分布計算公式：

(11)

(12)

后驗協方差矩陣Σ和均值μ分別為：

(13)

(14)

(15)

式(15)服從高斯分布，即

(16)

(17)

由式(17)可以看出，RVM模型可以同時得出輸入向量對應的預測均值和方差，因此，RVM模型能反映預測數據的不確定性，得到一定置信范圍內的區間預測。在給定置信度下，預測結果的置信區間[19]可表示為

(18)

式中：Lb和Ub分別表示預測值的下界和上界；zα/2為正態分布的雙側α分位點。

3基于EEMD-RVM的短期風功率區間預測

3.1使用EEMD對原始風功率序列進行分解

如圖1所示，實際風功率具有明顯的隨機性與波動性。若直接采用預測算法對風功率序列進行預測會存在較大誤差。為提高預測精度，需對原始序列進行分解以降低數據復雜度。本文采用EEMD方法對原始風功率序列進行分解，獲得若干個不同頻率的分量。由以上分量可以更明顯地看出原序列的周期性、隨機性和趨勢性。

圖1　實際風功率序列波動趨勢

選擇國內某一風電場為研究對象，其風機總數為33臺，裝機容量為49.5 MW。以2009年4月12—22日共960個點的風功率序列為例，EEMD分解效果如圖2所示。

3.2RVM模型的參數設定

組合核思想是將多個不同的核函數結合起來，使得組合后的核函數具有更好的特性[18]?？紤]到RVM核函數的選取不需滿足Mercer條件，核函數的選擇較為自由，且徑向基核處理局部波動以及多項式核解決全局波動具有優異特性，因此本文將以上2種核函數進行線性組合，構成如下組合核函數：

(19)

(20)

(21)

式中：G(x,xi)為徑向基核；P(x,xi)為多項式核；k1為核函數的系數權重，0

本文采用網格搜索法尋找參數k1和δ最優值。

圖2　EEMD分解效果示意圖

3.3區間預測效果的評價指標

本文采用三項指標，即平均相對誤差(mean absolute percentage error，MAPE)[7]、區間覆蓋率(forecasting interval coverage percentage，FICP)[6]、區間平均寬度(forecasting interval average width，FIAW)[6]，對區間預測的效果進行評判。

3.3.1MAPE

MAPE的計算如下：

(22)

3.3.2FICP

FICP的計算如下：

(23)

式中:N為預測樣本的個數；ξ(1-α)為置信度1-α下實際值落在預測置信區間內的個數。FICP用于評價構建區間的可信程度，其絕對值越大，可信度越高。

3.3.3FIAW

FIAW的計算如下：

(24)

3.4算法流程框圖

本文提出了基于集合經驗模態分解和相關向量機的短期風功率區間預測模型(EEMD-RVM模型)。首先采用EEMD方法將風功率序列分解成多個IMF分量及RES分量，然后采用組合核RVM模型進行一天96點(間隔15 min)的風功率區間預測，其具體實現步驟如圖3所示。

圖3　基于EEMD-RVM的短期風功率區間預測模型框圖

4算例分析

采用江蘇省某風電場2009年全年的風功率序列作為研究對象，以前10天的實測風功率值作為訓練樣本，對第11天進行提前一點(即提前15 min)的風功率區間預測。

為驗證EEMD-RVM模型的區間預測效果，在不同置信水平(本文以90%、70%為例)下實現短期風功率區間預測，區間預測結果如圖4、圖5所示。采用MAPE、FICP、FIAW指標對區間預測的效果進行評估，部分預測結果見表1，MAPE、FICP和FIAW在90%、70%置信水平下數值分別為4.54%、90.63%、0.911 8，4.54%、71.88%、0.112 2。

圖4　90%置信度下的短期風功率區間預測結果

圖5　70%置信度下的短期風功率區間預測結果

表1EEMD-RVM模型的區間預測結果

時刻90%置信水平70%置信水平實際風功率/MW預測期望/MW0:00[37.90,44.35][39.24,43.02]40.9641.140:15[38.28,44.73][39.62,43.40]40.2941.520:30[39.41,45.86][40.75,44.53]43.4242.650:45[40.26,46.72][41.61,45.38]43.4743.51……………23:30[22.71,29.16][24.05,27.83]26.2325.9523:45[27.48,33.93][28.82,32.59]31.3830.72

從圖4、圖5及表1可以看出：本文模型的短期風功率預測期望值能夠有效跟隨實際值，其上下浮動趨勢與實際負荷變化情況基本一致；從圖4、圖5實際風功率在區間內的分布情況來看，實際風功率大部分都落在置信度為90%和70%的預測區間之內，但實際值落在70%置信度預測區間之外的個數明顯比90%的多，情況與實際符合，體現了本文區間預測結果的有效性；90%置信水平的預測區間寬度明顯大于70%的預測區間寬度，隨著置信度的降低，區間預測的區間寬度降低，區間覆蓋率也隨之降低。

為了進一步評估本文所提EEMD-RVM模型的區間預測效果，將EEMD-RVM模型分別與標準RVM模型、小波-RVM模型、EMD-RVM模型的預測結果進行對比，并采用MAPE、FICP、FIAW指標以及運行時間t對區間預測的效果進行評價，90%置信水平下的指標評價結果見表2。

表2各預測模型90%置信水平下的指標評價結果

模型類型σMAPE/%k(1-α)FICP/%h(1-α)FIAWt/s標準RVM7.0889.370.283527EMD-RVM4.5490.630.172253小波-RVM5.9489.610.191864EEMD-RVM3.5693.880.150181

由表2各種模型指標結果可以得出以下結論：總體上看，本文模型的預測誤差最小，區間寬度最窄，區間覆蓋率最高，運行時間雖有所延長，但仍在工程實際要求的范圍內，模型的區間預測效果較為理想；與標準RVM模型相比，所有先分解后預測模型的預測誤差、區間覆蓋率和區間寬度都得到了明顯改善，說明采用分解算法降低數據復雜度確實可以提高預測的效果；與同為分解算法的小波分析和經驗模態分解相比，本文模型的預測精度和區間覆蓋率更高，區間寬度更窄，雖然運行時間有所延長，但仍在可接受的范圍內?？紤]到預測效果改善的程度，這種運行時間的犧牲是值得的。綜上所述，本文所提的EMD-RVM模型可實現短期風功率的區間預測，預測效果較好，可適用于實際工程應用。

5結論

為了更好地描述風功率的隨機波動性，顧及電網運行中的不確定性，本文提出了一種基于集合經驗模態分解和多核相關向量機的短期風功率區間預測方法。首先為降低數據復雜度，采用EEMD算法將風功率序列分解為多個頻率不同的分量，然后采用多核RVM模型對各分量分別建立預測模型實現區間預測，再由各分量的預測結果進行疊加獲得一定置信度下的區間預測結果。算例結果表明：本文模型不僅顯著提高了預測精度，還在保證區間覆蓋率的前提下，明顯縮小了預測區間的寬度。因此，本文模型具有較高的預測準確度與較好的魯棒性，可應用于工程實際。

參考文獻：

[1] 王建東，汪寧渤，何世恩，等.國際風電預測預報機制初探及對中國的啟示[J]. 電力建設，2010，31(9) ：10-13.

WANG Jiandong，WANG Ningbo，HE Shien，et al. International Wind Power Forecasting Mechanism and Some Lessons for China[J]. Electric Power Construction，2010，31(9) ：10-13.

[2] 黨宏濤，杜祖良，任宏文，等.基于Bootstrap方法的平臺慣導系統標定參數重復性區間預測[J]. 中國慣性技術學報，2013，21(3)：411-414.

DANG Hongtao，DU Zuliang，REN Hongwen，et al. Repeatability Interval Prediction for Calibrated Parameters of INS Based on Bootstrap Method[J]. Journal of Chinese Inertial Technology，2013，21(3)：411-414.

[3] 王焱，汪震，黃民翔，等.基于OS-ELM和Bootstrap方法的超短期風電功率預測[J]. 電力系統自動化，2014，38(6)：14-19.

WANG Yan，WANG Zhen，HUANG Minxiang，et al. Ultra-short-term Wind Power Prediction Based on OS-ELM and Bootstrap Method[J]. Automation of Electric Power Systems，2014，38(6)：14-19.

[4] BREMNES J B.Probabilistic Wind Power Forecasts Using Local Quantile Regression[J]. Wind Energy，2004，7(1)：47-54.

[5] 李智，韓學山，楊明，等.基于分位點回歸的風電功率波動區間分析[J]. 電力系統自動化，2011，35(3)：83-87.

LI Zhi，HAN Xueshan，YANG Ming，et al. Wind Power Fluctuation Interval Analysis Based on Quantile Regression[J]. Automation of Electric Power Systems，2011，35(3)：83-87.

[6] 李知藝，丁劍鷹，吳迪，等.電力負荷區間預測的集成極限學習機方法[J]. 華北電力大學學報，2014，41(2)：78-88.

LI Zhiyi，DING Jianying，WU Di，et al. An Ensemble Model of the Extreme Learning Machine for Load Interval Prediction[J]. Journal of North China Electric Power University，2014，41(2)：78-88.

[7] 楊明，范澍，韓學山，等.基于分量稀疏貝葉斯學習的風電場輸出功率概率預測方法[J]. 電力系統自動化，2012，36(14)：125-130.

YANG Ming，FAN Shu，HAN Xueshan，et al. Wind Farm Generation Forecast Based on Componential Sparse Bayesian Learning[J]. Automation of Electric Power Systems，2012，36(14)：125-130.

[8] 董雷，周文萍，張沛，等.基于動態貝葉斯網絡的光伏發電短期概率預測[J]. 中國電機工程學報，2013，33(增刊)：38-45.

DONG Lei，ZHOU Wenping，ZHANG Pei，et al. Short-term Photovoltaic Output Forecast Based on Dynamic Bayesian Network Theory[J]. Proceedings of the CSEE，2013，33(S)：38-45.

[9] 孫斌，姚海濤，劉婷.基于高斯過程回歸的短期風速預測[J]. 中國電機工程學報，2012，32(29)：104-109.

SUN Bin，YAO Haitao，LIU Ting.Short-term Wind Speed Forecasting Based on Gaussian Process Regression Model[J]. Proceedings of the CSEE，2012，32(29)：104-109.

[10] KHOSRAVI A，NAHAVANDI S，CREIGHTON D. Prediction Intervals for Short-term Wind Farm Power Generation Forecasts[J]. IEEE Transactions on Sustainable Energy，2013，4(3)：602-610.

[11] 韓帥，李樹剛. 基于區間預測模型的流感趨勢預測[J]. 計算機仿真，2014，31(9)：237-242.

HAN Shuai，LI Shugang.Influenza Trends Forecast Based on Interval Prediction Model[J]. Computer Simulation，2014，31(9)：237-242.

[12] QUAN H，SRINIVASAN D，KHOSRAVI A.Short-term Load and Wind Power Forecasting Using Neural Network-Based Prediction Intervals[J]. IEEE Transactions on Neural Network and Learning Systems，2014，25(2)：303-315.

[13] 孫志剛，翟瑋星，李韋倫，等.基于EMD和相關向量機的短期負荷預測[J]. 電力系統及其自動化學報，2011，23(1)：92-97.

SUN Zhigang，ZHAI Weixing，LI Weilun，et al. Short-term Load Forecasting Based on EMD and RVM[J]. Proceedings of the CSU-EPSA，2011，23(1)：92-97.

[14] 葉林，劉鵬.基于經驗模態分解和支持向量機的短期風電功率組合預測模型[J]. 中國電機工程學報，2011，31(31)：102-108.

YE Lin，LIU Peng. Combined Model Based on EMD-SVM for Short-term Wind Power Prediction[J]. Proceedings of the CSEE，2011，31(31)：102-108.

[15] 王守相，王亞旻，劉巖，等.基于經驗模態分解和ELM神經網絡的逐時太陽能輻照量預測[J]. 電力自動化設備，2014，34(8) ：7-12.

WANG Shouxiang，WANG Yamin，LIU Yan，et al. Hourly Solar Radiation Forecasting Based on EMD and ELM Neural Network[J]. Electric Power Automation Equipment，2014，34(8)：7-12.

[16] WU Z H，HUANG N E.Ensemble Empirical Mode Decomposition：a Noise-assisted Data Analysis Method[J]. Advances in Adaptive Data Analysis，2009，1(1)：1-41.

[17] 黃帥棟，衛志農，高宗和，等.基于非負矩陣分解的相關向量機短期負荷預測模型[J]. 電力系統自動化，2012，36(11)：62-66.

HUANG Shuaidong，WEI Zhinong，GAO Zonghe，et al. A Short-term Load Forecasting Model Based on Revelance Vector Machine with Nonnegative Matrix Factorization[J]. Automation of Electric Power Systems，2012，36(11)：62-66.

[18] 朱永利，尹金良.組合核相關向量機在電力變壓器故障診斷中的應用研究[J]. 中國電機工程學報，2013，33(22)：68-74.

ZHU Yongli，YIN Jinliang. Study on Application of Multi-kernel Learning Relevance Vector Machines in Fault Diagnosis of Power Transformers[J]. Proceedings of the CSEE，2013，33(22)：68-74.

[19] GUAN C，LUH P B，LAURENT D M，et al. Hybrid Kalman Filters for Very Short-term Load Forecasting and Prediction Interval Estimation[J]. IEEE Transactions on Power Systems，2013，28(4)：3806-3817.

范磊(1991)，男，江蘇常州人。在讀碩士研究生，研究方向為電力系統負荷預測。

王越(1988)，女，江蘇常州人。工學碩士，研究方向為微網負荷預測與規劃。

梁智(1991)，男，江蘇睢寧人。在讀碩士研究生，研究方向為電力系統負荷預測。

(編輯闞杰)

Prediction on Short-term Wind Power Interval Based on EEMD-RVM

FAN Lei1, WANG Yue2, LIANG Zhi1, DAI Liyuan1

(1.The College of Energy and Electrical Engineering, Hohai University, Nanjing, Jiangsu 210098,China; 2. State Grid Changzhou Power Supply Company, Changzhou, Jiangsu 213000, China)

Abstract：In allusion to the problem of being unable to describe randomness of wind power by present wind power prediction methods, which are mostly aiming at certain point prediction, a prediction model for short-term wind power interval based on ensemble empirical mode decomposition (EEMD) and relevance vector machine (RVM) is established. It firstly conducts EEMD on original wind power sequence to obtain a remaining component and multiple intrinsic mode functions (IMFs) with different characteristics, then respectively establishes interval prediction model for each function by using RVM algorithm, and finally overlays prediction results for getting the interval prediction result under a certain confidence level. Simulation results indicate that the proposed interval prediction method has higher prediction precision, relatively narrow interval width and higher interval coverage.

Key words：short-term wind power prediction; interval prediction; relevance vector machine (RVM); ensemble empirical mode decomposition (EEMD); combined kernel function

作者簡介：

中圖分類號：TM614

文獻標志碼：A

文章編號：1007-290X(2016)02-0014-07

doi:10.3969/j.issn.1007-290X.2016.02.003

基金項目：國家高技術研究發展計劃(863計劃)資助項目(2013AA050601)

收稿日期：2015-09-28